Identificación de factores de riesgo de colisión de vehículos en intersecciones urbanas señalizadas mediante herramientas de aprendizaje automático.
| dc.contributor.advisor | Echaveguren Navarro, Tomás | es |
| dc.contributor.author | Peña Palta, Hernán Andrés | es |
| dc.date.accessioned | 2024-12-02T16:38:19Z | |
| dc.date.available | 2024-12-02T16:38:19Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al grado académico de Ciencias de la Ingeniería con mención en Ingeniera Civil | es |
| dc.description.abstract | El Informe sobre la situación mundial de la seguridad vial 2023 señala que en 2021 murieron 1,19 millones de personas en accidentes de tráfico, de los cuales el 40% se produjeron en vías urbanas. Las colisiones mortales en intersecciones de calles representan entre el 25% y el 40%. Los modelos disponibles correlacionan los índices o la gravedad de las colisiones con factores como la geometría de la vía, las características del conductor, el tráfico y los atributos ambientales de cada lugar de colisión. El efecto de las características de la intersección y del entorno se trata por separado. En la bibliografía predominan los análisis basados en el tipo de intersección, el flujo de vehículos, el número de carriles disponibles y la presencia de una mediana. Se han estudiado poco los factores del uso del suelo y las instalaciones urbanas cerca de las intersecciones, así como la interacción entre los factores operativos, de infraestructura y del entorno construido. La tesis identifica los componentes significativos de los factores de riesgo de colisión en intersecciones urbanas señalizadas mediante un proceso sistemático basado en herramientas de aprendizaje automático. A partir del estado del arte, se especifican 13 factores de riesgo relacionados con la infraestructura, 19 con los atributos operativos de las intersecciones y 4 con el entorno construido. Se utilizaron datos de la ciudad de Santa María de Los Ángeles. En esta ciudad, entre 2009 y 2019, el 60% de las colisiones de tráfico tuvieron lugar en intersecciones controladas por señales. Murieron 27 personas y 1053 resultaron gravemente heridas. La base de datos preparada contiene datos continuos, ordinales y nominales que describen en 128 intersecciones los 36 factores de riesgo identificados. La interacción entre la infraestructura, el entorno operativo y construido y 24 factores de riesgo se identificó mediante vectores de apoyo (SVM), k-nearest Neighbors (KNN), Descend Gradient (XGBoost) y Random Forest (RF). La distancia de visibilidad, los carriles de las calles principales y secundarias, el ángulo de la intersección, el número de pasos de peatones, el número de paradas de autobús y el uso del suelo explican el 60% de las colisiones. | es |
| dc.description.abstract | The Global Status Report on Road Safety 2023 states that 1.19 million people were killed in road traffic crashes in 2021, 40% of which occurred on urban roads. Fatal crashes at street intersections accounted for 25% to 40%. Available models correlate crash rates or crash severity with factors such as roadway geometry, driver characteristics, traffic, and environmental attributes of each crash location. The effect of intersection and environmental characteristics is treated separately. The literature is dominated by analyses based on intersection type, vehicle flow, number of available lanes, and the presence of a median. Little study has been made of land use factors and urban facilities near intersections, as well as the interaction between operational, infrastructure, and built environment factors. The thesis identifies the significant components of collision risk factors at urban signalized intersections through a systematic process based on machine learning tools. From the state of the art, 13 risk factors related to infrastructure, 19 to intersection operational attributes and 4 to the built environment are specified. Data from the city of Santa Maria de Los Angeles were used. In this city, between 2009 and 2019, 60% of traffic crashes occurred at signal controlled intersections. Twenty-seven people were killed and 1053 were seriously injured. The prepared database contains continuous, ordinal and nominal data describing at 128 intersections the 36 identified risk factors. The interaction between infrastructure, operational and built environment and 24 risk factors was identified by support vectors (SVM), k-nearest Neighbors (KNN), Descend Gradient (XGBoost) and Random Forest (RF). Sight distance, primary and secondary street lanes, intersection angle, number of pedestrian crossings, number of bus stops, and land use explain 60% of collisions. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Civil | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/11399 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Prevención de accidentes | es |
| dc.subject | Sistemas inteligentes de transporte | es |
| dc.subject | Carreteras demarcadas | es |
| dc.title | Identificación de factores de riesgo de colisión de vehículos en intersecciones urbanas señalizadas mediante herramientas de aprendizaje automático. | es |
| dc.type | Thesis | es |